- Présentation du cours
- Ce cours est une introduction à TensorFlow 2.x qui intègre la simplicité d'utilisation de Keras pour créer des modèles de machine learning. Ce cours explique comment concevoir et créer un pipeline de données d'entrée TensorFlow 2.x, développer des modèles de machine learning avec TensorFlow 2.x et Keras, améliorer la précision des modèles de machine learning et écrire des modèles de machine learning pour une utilisation à grande échelle.
- Présentation de TensorFlow
- Nous allons vous présenter le nouveau paradigme de TensorFlow 2.x. À l'aide d'exercices pratiques, vous en apprendrez plus sur la hiérarchie de l'API TensorFlow et découvrirez les principaux composants de TensorFlow, les tenseurs et les variables.
- Concevoir et créer un pipeline de données d'entrée TensorFlow
- Nous allons vous montrer comment travailler avec des ensembles de données et des colonnes de caractéristiques. À l'aide d'exercices pratiques, vous vous entraînerez à charger des données CSV, des tableaux Numpy avec un tf.data.Dataset, des données de texte et des images à l'aide de tf.data.Dataset. Vous vous entraînerez également à créer des colonnes de caractéristiques numériques, catégorielles, en buckets et hachées.
- Entraîner des réseaux de neurones avec TensorFlow 2 et l'API séquentielle Keras
- Dans ce module, vous découvrirez comment rédiger des modèles TensorFlow à l'aide de l'API séquentielle Keras. Avant de nous pencher sur l'écriture de modèles, nous allons aborder les fonctions d'activation, la perte et l'optimisation. Vous découvrirez ensuite l'API séquentielle Keras pour apprendre à créer des modèles de deep learning. Vous apprendrez aussi à déployer le modèle pour effectuer des prédictions dans le cloud.
- Entraîner des réseaux de neurones avec TensorFlow 2 et l'API fonctionnelle Keras
- L'API de modèle séquentielle est idéale pour développer des modèles de deep learning dans la plupart des situations, mais présente certaines limites. Par exemple, elle ne permet pas de définir aussi directement des modèles pouvant avoir plusieurs sources d'entrée différentes, produire plusieurs destinations de sortie ou des modèles réutilisant des couches. L'API fonctionnelle Keras permet de créer des modèles plus flexibles que ceux créés avec l'API séquentielle tf.keras. L'API fonctionnelle peut gérer des modèles avec une topologie non linéaire, des modèles avec des couches partagées et des modèles avec plusieurs entrées ou sorties. L'API fonctionnelle Keras offre une manière plus flexible de définir des modèles. Elle permet spécifiquement de définir des modèles à plusieurs entrées ou sorties ainsi que des modèles qui partagent des couches. De plus, elle permet de définir des graphiques de réseau acycliques ad hoc. L'idée principale est qu'un modèle de deep learning est généralement un graphique acyclique dirigé (DAG) de couches. L'API fonctionnelle est donc une manière de créer des graphiques de couches. Par ailleurs, nous allons voir comment la régularisation peut contribuer aux performances du modèle.
- Récapitulatif
- Nous allons résumer ici les sujets TensorFlow que nous avons abordés jusqu'à présent dans ce cours. Nous reviendrons sur le code TensorFlow principal, l'API tf.data, les API séquentielle et fonctionnelle, et terminerons par le scaling de vos modèles de machine learning avec Cloud AI Platform.
